Desarrollo de técnicas de minería de datos en procesos industriales: modelización en líneas de producción de acero
Data mining can be defined as the process of extracting useful, previously unknown, and comprehensible information from very large databases. In the industrial arena, one of the most interesting applications of data mining is the system modelling. Both the rapid growth of data storage capacities of...
Guardado en:
| Autor principal: | |
|---|---|
| Otros Autores: | |
| Formato: | text (thesis) |
| Lenguaje: | spa |
| Publicado: |
Universidad de La Rioja (España)
2006
|
| Materias: | |
| Acceso en línea: | https://dialnet.unirioja.es/servlet/oaites?codigo=1166 |
| Etiquetas: |
Agregar Etiqueta
Sin Etiquetas, Sea el primero en etiquetar este registro!
|
| id |
oai-TES0000000802 |
|---|---|
| record_format |
dspace |
| institution |
DialNet |
| collection |
DialNet |
| language |
spa |
| topic |
data mining neural networks robust modelling hot dip galvanising line (HDGL) |
| spellingShingle |
data mining neural networks robust modelling hot dip galvanising line (HDGL) González Marcos, Ana Desarrollo de técnicas de minería de datos en procesos industriales: modelización en líneas de producción de acero |
| description |
Data mining can be defined as the process of extracting useful, previously unknown, and comprehensible information from very large databases. In the industrial arena, one of the most interesting applications of data mining is the system modelling.
Both the rapid growth of data storage capacities of modern industrial processes and the development of data processors, provide new possibilities to analyze their behaviour. Moreover, taking into account that in the most industrial processes, the relationships between variables are non-linear and the difficulty in obtaining explicit models to define their behaviour, we can understand the importance of models based on data against other analytic models based on explicit equations.
Nowadays, neural networks are one of the most significant techniques to model manufacturing systems because of their efficiency and simplicity. Neural networks are the central issue around which this thesis is developed. Basically, this thesis proposes the use of neural networks, and other techniques from data mining, to model an industrial process: a steel hot dip galvanising line. In particular, manufacturing process data are used to improve the current control systems by means of models capable to on-line predict the mechanical properties of the galvanised steel strip and a model of the velocity of the steel strip inside de process furnace.
Unfortunately, it is well known the occurrence of outliers in real industrial datasets (electromagnetic interferences, peak current values during motor start-up, the human factor, etc.). In order to manage the presence of outliers in neural networks training, a new robust learning algorithm is proposed. This approach, which is an innovation in the so-called robust neural networks, is based on the non-linear t-estimator and the backpropagation learning algorithm. |
| author2 |
Ordieres Meré, Joaquín Bienvenido (Universidad de La Rioja) |
| author_facet |
Ordieres Meré, Joaquín Bienvenido (Universidad de La Rioja) González Marcos, Ana |
| format |
text (thesis) |
| author |
González Marcos, Ana |
| author_sort |
González Marcos, Ana |
| title |
Desarrollo de técnicas de minería de datos en procesos industriales: modelización en líneas de producción de acero |
| title_short |
Desarrollo de técnicas de minería de datos en procesos industriales: modelización en líneas de producción de acero |
| title_full |
Desarrollo de técnicas de minería de datos en procesos industriales: modelización en líneas de producción de acero |
| title_fullStr |
Desarrollo de técnicas de minería de datos en procesos industriales: modelización en líneas de producción de acero |
| title_full_unstemmed |
Desarrollo de técnicas de minería de datos en procesos industriales: modelización en líneas de producción de acero |
| title_sort |
desarrollo de técnicas de minería de datos en procesos industriales: modelización en líneas de producción de acero |
| publisher |
Universidad de La Rioja (España) |
| publishDate |
2006 |
| url |
https://dialnet.unirioja.es/servlet/oaites?codigo=1166 |
| work_keys_str_mv |
AT gonzalezmarcosana desarrollodetecnicasdemineriadedatosenprocesosindustrialesmodelizacionenlineasdeproducciondeacero |
| _version_ |
1718346571571003392 |
| spelling |
oai-TES00000008022019-05-10Desarrollo de técnicas de minería de datos en procesos industriales: modelización en líneas de producción de aceroGonzález Marcos, Anadata miningneural networksrobust modellinghot dip galvanising line (HDGL)Data mining can be defined as the process of extracting useful, previously unknown, and comprehensible information from very large databases. In the industrial arena, one of the most interesting applications of data mining is the system modelling. Both the rapid growth of data storage capacities of modern industrial processes and the development of data processors, provide new possibilities to analyze their behaviour. Moreover, taking into account that in the most industrial processes, the relationships between variables are non-linear and the difficulty in obtaining explicit models to define their behaviour, we can understand the importance of models based on data against other analytic models based on explicit equations. Nowadays, neural networks are one of the most significant techniques to model manufacturing systems because of their efficiency and simplicity. Neural networks are the central issue around which this thesis is developed. Basically, this thesis proposes the use of neural networks, and other techniques from data mining, to model an industrial process: a steel hot dip galvanising line. In particular, manufacturing process data are used to improve the current control systems by means of models capable to on-line predict the mechanical properties of the galvanised steel strip and a model of the velocity of the steel strip inside de process furnace. Unfortunately, it is well known the occurrence of outliers in real industrial datasets (electromagnetic interferences, peak current values during motor start-up, the human factor, etc.). In order to manage the presence of outliers in neural networks training, a new robust learning algorithm is proposed. This approach, which is an innovation in the so-called robust neural networks, is based on the non-linear t-estimator and the backpropagation learning algorithm.La minería de datos puede definirse como el proceso de extraer conocimiento útil y comprensible, previamente desconocido, a partir de grandes volúmenes de datos. En el ámbito industrial, una de las aplicaciones más interesantes del proceso de minería de datos es el modelado de sistemas. El rápido crecimiento en la capacidad para almacenar datos que están experimentando los procesos industriales actuales, así como el desarrollo de los procesadores, proporciona nuevas posibilidades para analizar su comportamiento. Teniendo en cuenta, además, que en la mayoría de los procesos industriales, las relaciones entre variables no son lineales y la dificultad derivada de obtener modelos explícitos que definan su comportamiento, se comprende la importancia de los modelos basados en datos frente a otros modelos analíticos basados en ecuaciones explícitas. Hoy en día, una de las herramientas más empleadas en la industria en el modelado de sistemas, por su eficiencia y simplicidad, son las redes neuronales, eje central sobre el que se desarrolla esta tesis. En ella, se propone el uso de estas técnicas, junto con otras procedentes del campo de la minería de datos, para el modelado de un proceso industrial real: una línea de acero galvanizado. En concreto, se proponen mejoras en los sistemas de control actuales mediante el desarrollo, a partir de los datos procedentes del proceso de fabricación, de modelos para predecir on-line las propiedades mecánicas de las bobinas de acero galvanizado, por un lado, y, de un modelo de velocidad de la banda dentro del horno de proceso, por otro. Desafortunadamente, por las condiciones existentes en las industrias (interferencias electromagnéticas, picos de corriente en el arranque de motores, el factor humano, etc.), los datos erróneos son muy probables entre los datos almacenados. Para minimizar la influencia perjudicial del ruido presente en los datos en el entrenamiento de redes neuronales, se ha desarrollado un nuevo algoritmo de aprendizaje robusto, basado en el estimador t no lineal y que emplea el algoritmo de aprendizaje de retropropagación del error, el cual supone una innovación en las denominadas redes neuronales robustas.Universidad de La Rioja (España)Ordieres Meré, Joaquín Bienvenido (Universidad de La Rioja)Vergara González, Eliseo Pablo (Universidad de La Rioja)2006text (thesis)application/pdfhttps://dialnet.unirioja.es/servlet/oaites?codigo=1166spaLICENCIA DE USO: Los documentos a texto completo incluidos en Dialnet son de acceso libre y propiedad de sus autores y/o editores. Por tanto, cualquier acto de reproducción, distribución, comunicación pública y/o transformación total o parcial requiere el consentimiento expreso y escrito de aquéllos. Cualquier enlace al texto completo de estos documentos deberá hacerse a través de la URL oficial de éstos en Dialnet. Más información: https://dialnet.unirioja.es/info/derechosOAI | INTELLECTUAL PROPERTY RIGHTS STATEMENT: Full text documents hosted by Dialnet are protected by copyright and/or related rights. This digital object is accessible without charge, but its use is subject to the licensing conditions set by its authors or editors. Unless expressly stated otherwise in the licensing conditions, you are free to linking, browsing, printing and making a copy for your own personal purposes. All other acts of reproduction and communication to the public are subject to the licensing conditions expressed by editors and authors and require consent from them. Any link to this document should be made using its official URL in Dialnet. More info: https://dialnet.unirioja.es/info/derechosOAI |